論文の概要: Out-of-Town Recommendation with Travel Intention Modeling
- arxiv url: http://arxiv.org/abs/2101.12555v2
- Date: Sat, 6 Feb 2021 05:12:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:26:43.142854
- Title: Out-of-Town Recommendation with Travel Intention Modeling
- Title（参考訳）: 旅行意図モデルを用いた街外レコメンデーション
- Authors: Haoran Xin, Xinjiang Lu, Tong Xu, Hao Liu, Jingjing Gu, Dejing Dou,
Hui Xiong
- Abstract要約: アウト・オブ・タウン・レコメンデーションは、ホームタウン・エリアを離れ、これまで行ったことのないエリアを訪れるユーザー向けに設計されています。
都市外チェックインの行動は、ユーザーのホームタウンの好みだけでなく、ユーザーの旅行意図によって決定されるため、都市外ユーザーに対してPOI(Point-of-interests)を推奨することは困難です。
本稿では,TRAINOR という名称の街外勧告フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 45.61038400572223
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Out-of-town recommendation is designed for those users who leave their
home-town areas and visit the areas they have never been to before. It is
challenging to recommend Point-of-Interests (POIs) for out-of-town users since
the out-of-town check-in behavior is determined by not only the user's
home-town preference but also the user's travel intention. Besides, the user's
travel intentions are complex and dynamic, which leads to big difficulties in
understanding such intentions precisely. In this paper, we propose a
TRAvel-INtention-aware Out-of-town Recommendation framework, named TRAINOR. The
proposed TRAINOR framework distinguishes itself from existing out-of-town
recommenders in three aspects. First, graph neural networks are explored to
represent users' home-town check-in preference and geographical constraints in
out-of-town check-in behaviors. Second, a user-specific travel intention is
formulated as an aggregation combining home-town preference and generic travel
intention together, where the generic travel intention is regarded as a mixture
of inherent intentions that can be learned by Neural Topic Model (NTM). Third,
a non-linear mapping function, as well as a matrix factorization method, are
employed to transfer users' home-town preference and estimate out-of-town POI's
representation, respectively. Extensive experiments on real-world data sets
validate the effectiveness of the TRAINOR framework. Moreover, the learned
travel intention can deliver meaningful explanations for understanding a user's
travel purposes.
- Abstract（参考訳）: アウト・オブ・タウン・レコメンデーション(out-of-town recommendation)は、故郷の地域を離れ、これまで行ったことのない地域を訪れるユーザー向けにデザインされている。
地域外チェックイン行動は、利用者の故郷の好みだけでなく、利用者の旅行意図によって決定されるため、地域外ユーザに対してPOI(Point-of-Interests)を推奨することは困難である。
さらに、ユーザの旅行意図は複雑で動的であり、そのような意図を正確に理解することが困難になる。
本稿では,TRAINORという都市外推奨フレームワークを提案する。
提案されたTRAINORフレームワークは、既存のアウト・オブ・タウンの推奨者とを3つの面で区別している。
まず,グラフニューラルネットワークを用いて,街外チェックイン行動におけるユーザのチェックイン選択と地理的制約を表現する。
第2に、利用者固有の旅行意図は、故郷の嗜好と一般的な旅行意図を組み合わせたアグリゲーションとして定式化され、一般的な旅行意図はニューラルトピックモデル(NTM)によって学習できる固有の意図の混合と見なされる。
第3に、非線形マッピング関数と行列分解法を用いて、利用者の自宅選好を伝達し、街外ポイの表現を推定する。
実世界のデータセットに関する広範な実験は、トレーナーフレームワークの有効性を検証する。
さらに、学習した旅行意図は、ユーザの旅行目的を理解するための意味のある説明を与えることができる。
関連論文リスト
- Proactive Recommendation in Social Networks: Steering User Interest via Neighbor Influence [54.13541697801396]
我々は,PRSN(Proactive Recommendation in Social Networks)という新しいタスクを提案する。
PRSNは、社会的隣人の影響力を生かして、間接的に利用者の関心を喚起する。
本稿では,2つの主要なモジュールを持つNighbor Interference Recommendation (NIRec) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-13T15:53:40Z) - Bayes-enhanced Multi-view Attention Networks for Robust POI
Recommendation [81.4999547454189]
既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。
実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。
本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
論文 参考訳（メタデータ） (2023-11-01T12:47:38Z) - Meta-learning enhanced next POI recommendation by leveraging check-ins
from auxiliary cities [32.70591612636725]
メタラーニングを強化した次世代POI勧告フレームワーク(MERec)を提案する。
MERecleverは、様々な都市間のチェックイン行動の相関関係をメタラーニングパラダイムに分類し、ターゲット都市におけるユーザの嗜好を推測する。
特に、都市レベルの相関戦略は、都市間の共通パターンを注意深く捉え、より相関のある都市からより関連性の高い知識を伝達するために考案されている。
論文 参考訳（メタデータ） (2023-08-18T05:07:41Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳（メタデータ） (2022-10-22T17:29:34Z) - Recommender Transformers with Behavior Pathways [50.842316273120744]
Recommender Transformer (RETR) を新しいパスウェイアテンション機構で構築する。
実世界の7つのデータセットにおけるRETRの有効性を実証的に検証する。
論文 参考訳（メタデータ） (2022-06-13T08:58:37Z) - Recommending POIs for Tourists by User Behavior Modeling and
Pseudo-Rating [3.839157829013354]
観光客の多くは一度に数カ所の観光地を訪れており、これらのほとんどは新規観光客からのチェックインデータを持っていない。
従来のシステムでは、利用者の嗜好と人気、評判、カテゴリーに基づく類似性に基づいて観光スポットをランク付けしている。
観光客にPOIを推奨するメカニズムを提案する。
論文 参考訳（メタデータ） (2021-10-13T06:21:41Z) - Adversarial Neural Trip Recommendation [35.70265509185104]
本稿では,これらの課題に対処するための適応型ニューラルトリップ勧告フレームワークを提案する。
まず,POI間の相関関係を学習できる新しいアテンションベースのエンコーダデコーダトリップジェネレータを考案する。
ANTの別の新しい特徴は、高品質な旅行を誘導するために、強化学習と統合された敵対的な学習戦略に依存している。
論文 参考訳（メタデータ） (2021-09-24T03:57:25Z) - User Preferential Tour Recommendation Based on POI-Embedding Methods [0.624399544884021]
POI埋め込み手法を用いてパーソナライズツアーを推薦するアルゴリズムを提案する。
提案アルゴリズムは時間と位置の制約を最適化するpoisのシーケンスを生成する。
予備実験の結果,本アルゴリズムは適切で正確な文を推薦できることがわかった。
論文 参考訳（メタデータ） (2021-03-03T15:18:23Z) - Destination similarity based on implicit user interest [0.0]
暗黙的ユーザ関心度の観点から目的地類似度を測定するために,新しい類似度法を提案する。
提案手法をレコメンダシステムにおける他の広く利用されている類似性対策と比較することにより,旅行データに有意な改善が得られた。
論文 参考訳（メタデータ） (2021-02-12T18:45:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。